为了能够让风险客户的行为特征得到充分表现，同时兼顾客户资料的时效性，可以从已变“坏”客户人数占全体“坏”客户的比例以及表现时间长度两方面进行综合考虑。另外，一般还会考虑到客户行为的季节性特征，所以尽量保证表现期能够跨越四个季度，即超过一年，如图12.3所描述的客户风险行为表现与时间长度的关系，可以选择12个月作为表现期，这个时间长度内有80%以上的“坏”客户已经充分得到暴露。
·观察期
观察期的确定一般会受到几方面因素的影响。首先，表现期的时段选择，由于观察期是发生在表现期前面的一个时间段，因此随着表现期的确立，观察期自然也会被固定在一个范围之内，如图12.2所示。同时，观察期和表现期是两个连续的时间段，才能保证客户基本情况与其行为表现之间的相关性，因此表现期就是客户开户后紧接着的一个时间段。其次，观察期的选择要满足模型对样本量的需求，如果观察期过短，将很难保证有足够的样本进入模型。另外，观察期的选择还要避免某些特殊时期对客户整体状况的影响，例如，风险政策大调整等。综合上述几个因素，结合银行的发展情况，一般选择6个月或12个月作为观察期，将这期间开户的客户作为模型开发的样本。
预测变量的选择
信用审批模型建立的过程中需要寻找一些申请人，银行能够获得，并且就与申请人未来信用行为相关的信息，对其未来的风险情况进行预测，这些信息就被称为预测变量。对于信用卡行业来说，在申请人阶段所能获得的信息主要是申请表中的信息，由于目前我国的征信数据系统尚不成熟和完善，因此只能作为信用审批的辅助信息。尽管每家银行信用卡申请表的设计不尽相同，但一般都可以将这些客户信息按照所描述的属性分为几大类，即人生阶段、经济状况、地理信息、财产状况、发卡渠道以及其他补充信息。另外，在以往的审批流程中，通常会首先对客户申请表的填写情况进行考察。因此，在信用审批模型中也可以将客户填表行为作为单独的一类预测变量。各类预测变量所包含的内容如表12.1。
将申请表中的信息进行分类的目的在于，这些类别的变量分别从不同的侧面描述了客户的基本情况，因此在通过模型预测出来的结果中，可以更清晰地反映出风险人群的特征。并且这种方法比直接把单个变量纳入模型中的优势在于，更便于帮助风险管理部门制定和调整相关的风险管理策略。
预测模型的建立
案例
建模目的
预测申请人未来产生风险的概率。
建模素材
如图12.4所示，信用审批模型的建立过程中主要涉及的素材及具体定义为：
·风险定义【Y】：
·预测变量【X】：
预测变量主要包括人生阶段、经济状况、财产状况等，七大类变量中的信息【各类变量所包含的具体信息见表12.1】以及各类变量的信息组合。
建模方法
模型的地域划分：考虑到我国地理面积较广、地区差异较大，选择分地区建立模型。对客户人数较多、极具代表性的城市，例如北京、上海、深圳、武汉等，分别建立独立的模型；对人数较少的地域，则运用上述典型地域的模型分别对其进行预测，选择其中预测效果最好的模型，完成地域的合并与划分。
建模方法及工具：建模所采用的统计分析方法主要为Logistic回归方法，选用SAS软件作为建模工具。
建模结果
在选定的建模素材的基础上，运用统计分析方法便可以建立模型，预测出每个申请人未来产生风险的概率。同时，也可以考察到不同预测变量对申请人未来风险情况的影响程度，举例如表12.2所示。
模型结果的应用
审批评分卡的形成
通过上述模型得出的结果只是一个表征客户未来产生风险的概率。在实际的业务运作中，直接采用这种概率将会带来很多不便，因此需要通过一定的转换将这些概率转换成更容易接受和方便使用的信用审批评分。与此同时，也会将各类信息及信息组合对风险的影响通过相应的评分体现出来。
从概率到评分的转化方法需要考虑审批部门实际操作需要和便利来进行，但在评分中必须体现两个因素--基准分所对应的实际概率以及分数变动所表征的概率变化，这样才能使业务人员在看到分数之后，可以直接了解到其背后所代表的风险程度。
在转换过程中需要明确几个主要因素，基准的好坏比[Odds]0【其与基准概率P0之间的对应关系为
及其对应的基准得分S0，以及好坏比增减倍数对应的得分变化△S，设定以上的条件之后，便可以得出概率与审批评分的转换关系为：
在概率向评分转化的条件一定的情况下，相应的各种变量及组合的影响也会由原来的取值转化到一个对应的分数，最终将各类预测变量中的各种信息及信息组合所对应的分数进行整理便得到了一张信用审批评分卡。于是，提交每个申请人的信息都会从评分卡中得到相应的信用审批评分。例如：
来自城市××信用卡申请人王先生的基本情况如下：
男性、36岁、已婚；行业B、高学历、中级职位；持身份证、本地人；存款15万元、有房、有车；来自于渠道C；现已持有4张信用卡、赡养人数2人、无我行其他产品；E-mail已填写、收入已填写。
从该城市的评分卡中，可以获得王先生的各项评分，如图12.5所示。
王先生审批风险总得分：430.22＋18－5＋20＋5＋10＋0＋5＝483.22。其中，430.22为概率向评分转换过程中所产生的常数项，依据前面所述的风险概率与风险评分之间的转换条件可以直观地了解到，王先生未来可能产生风险的概率大约为1%。
基于审批评分的准入决定
从信用审批评分模型及审批评分卡的形成过程中可以了解到，每一评分都和一个确定的坏账率或者说损失概率相关联，因此根据信用审批评分的结果及其所对应的损失概率，同时结合银行的实际经营实施目标可以确定相应的最高分数线，申请人的评分超过了最高分数线将被拒绝，低于最高分数线的客户将被批准通过。
另外，在实际的操作过程中，尽管信用审批模型已经非常科学和客观了，但是有时候银行还是会加入人为的干预。例如，申请人审批评分超出最高分数线，但其使用本行其他产品的历史信用纪录很好，也可以考察准入；反之，审批评分偏低，但是其征信纪录不良，则不应该予以批准。尽管可以在评分的基础上进行人为的干预，修改某些审批的结果，但是也要保证这种修正不要偏离所设定的分数线太远。
基于审批评分的授信额度
从风险角度看，审批分数越低，说明申请人预期出现风险的可能性越小，因此在批准通过之后，可以考察给予相对较高的信用额度。而分数较高，说明申请人的预期风险程度较高，从而给予较低的信用额度，以防止更大的风险损失，日后视其实际表现再进行额度的调整。
另外，从风险与收益平衡的角度看，为了刺激客户的用卡积极性，获得更多的收益，在授信额度确立的过程中，也要兼顾到客户对信用额度的期望。如果审批评分所预测到的客户风险程度在银行可以控制和接受的范围内，尽量使所给予的信用额度能够满足客户的需求，以鼓励客户用卡。
现有模型的局限
尽管信用审批模型较以往定性的审批方式已经进步了很多，并且具有明显的优越性，但是目前所建立的审批模型仍然存在一定的局限性，主要体现在：
数据质量问题
在数据工程中，我们已经对数据进行了清洗，为日后各种模型的建立提供了基础。但是，仍然遗留一些数据质量问题无法解决，从而影响了模型的效果。例如，客户收入信息存在着很大的缺失和不合理的问题，这主要源于某些高收入客户不愿意透露个人真实收入，某些急切希望得到卡片的客户却可能虚报个人收入，而银行无法对每一位客户的具体收入进行核实和考察，往往是借助客户的职业情况进行侧面了解，作出审批决定。因此，尽管收入对风险审批非常重要，但由于其存在严重的数据质量问题，导致其无法起到应有的作用。
市场风险考察
在目前的分析中，完全是依靠客户提供的个人信息进行风险的预测和判断，没有考虑到外围的市场环境对客户未来风险的影响。外围市场风险对信用卡业务的影响和打击是绝对不容忽视的，1997年的亚洲金融危机就是一个最典型的例子。当时香港也卷入到危机之中，导致各家银行的客户坏账率一时间飙升至10%以上，给银行带来了重大的损失，甚至破产。当前，股票市场也如火如荼地发展，有相当一部分投机分子，采用借银行的钱赚钱的方式，这种行为对信用卡行业来说也是需要特别注意的，其存在巨大的潜在风险，银行应该考虑如何在申请阶段就将可能存在这种风险特征的客户拒之门外。
征信信息应用
由于目前我国尚没有完善、充足的征信信息可供应用，因此现有的审批模型主要是通过对银行已有的客户表现情况，进行风险客户特征的考察，发现其中的规律性，进而将这种规律性应用到新客户未来的风险预测上。其实，最能说明客户风险情况的信息自然是客户本身的行为表现，对于新客户则是其以往使用其他信用产品时所表现的行为状况。在一些发达国家，已经建立了非常完备的征信系统，专门负责消费者全方位的信用记录的搜集、汇总，从而通过这些数据来预测客户未来的信用表现。
本章小结
申请人阶段是客户进入银行之前的准备阶段，对于银行信用卡业务的长期发展而言，该阶段的实施目标应该是合理地经营风险，努力寻找风险与收益之间的平衡点，从而发现最有价值的客户价值组合。从目前国内信用卡业务的申请人管理和发展水平来看，在申请阶段最切合实际的发展目标是建立起一套科学、客观、自动化的审批评分系统，从而取代原有的主管审批方法，更加高效地满足信用卡业务高速发展的要求，更加科学地实施申请人阶段的审批管理。
